数据挖掘学习【02】——数据

【前言】这是数据挖掘学习系列文章的第二篇——数据，要想进行数据挖掘，必不可少的就是要对数据有深入的认识和了解，当然我在学习数据挖掘过程中第一步做的当然也是认识数据了。

一、数据挖掘的过程：

这里先补上前面一篇文章没有给出的数据挖掘过程图

二、数据：

1、数据的属性（整体认识）：

【注】：这里的英文一定要记住，后面因为会看一些外文文献，经常会看到这些词语

2、数据的属性（详细介绍）：

标称属性：标称属性的值是一些符号或事物的名称。每个值代表某种类别、编码或状态，因此标称属性又被看作是分类的或枚举的。

如：头发的颜色（黑色、棕色、淡黄色等）  职业(教室、程序员等) 这些都是可以使用数表示这些符号或名称的。如头发的颜色中，用0表示黑色，1表示棕色……）

 

二元属性（布尔属性）：是标称属性的一种，只有两个类别或状态：0或1，其中0通常表示该属性不出现，而1表示出现。

如：对吸烟患者的描述(抽烟或不抽烟)

 

序数属性：其可能的值之间具有有意义的序或秩评定，但是相继之间的差是未知的。

如：饮料量的多少（大、中、小）同样，序数属性可用数来表示。

 

这里注意：标称、二元和序数属性都是定性的。它们描述对象的特征，而不给出实际的大小或数量。这种定性属性的值通常是代表类别的词。即使使用整数代表了，这些整数也是不可测量的。

 

数值属性：是定量的，可度量的量，用整数或实数值表示。

        1、  区间标度（interval-scaled）属性

                用相等的单位尺度度量。如:温度

        2、  比率标度（ratio-scaled）属性

                具有固有零点的数值属性。也就是说，如果度量是比率标度的，则我们可以说一个值是另一个的倍数（或比率）。

 

离散属性与连续属性：

       离散属性：具有有限或无线可数个值，可以用或不用整数表示。

三、数据的基本统计：

1、整体认识：

2、陌生的概念介绍：

众数：集合中出现最频繁的值。

中列数：数据集的最大和最小值的平均值

极差：最大值和最小值之差

分位数：取自数据分布的每隔一定间隔上的点，把数据划分成基本上大小相等的连贯集合。（中位数、四分位数、百分位数是最常使用的）

四分位极差：IQR=Q3-Q1

五数概括、盒图与离群点：

分布的五数概括由中位数（Q2）、四分位数Q1和Q3、最小和最大观测值组成。

盒图：体现了五数概括：

        >盒的端点一般在四分位数上，使得盒的长度是四分位数极差IQR

        >中位数用盒内的线标记

        >盒外的两条线延伸到最小和最大观测值

方差和标准差